基准Multimodal RewardBench 2
Multimodal RewardBench 2
评估多模态模型奖励判断能力的第二代基准测试集，涵盖多项视觉语言任务
时间轴 (近 90 天)
10月17日
在 Multimodal RewardBench 2 上，JEV-27B-VL 四项任务平均 63.8，与 GPT-4.1 和 Qwen3-VL-32B 接近，但落后于 GPT-5 和 Gemini 3 Pro；图像编辑项 57.8 是明显短板。
待验证50%
评估多模态模型奖励判断能力的第二代基准测试集，涵盖多项视觉语言任务
在 Multimodal RewardBench 2 上，JEV-27B-VL 四项任务平均 63.8，与 GPT-4.1 和 Qwen3-VL-32B 接近，但落后于 GPT-5 和 Gemini 3 Pro；图像编辑项 57.8 是明显短板。